夏夜，你逛到夜市最热闹的摊位前，老板神秘兮兮地亮出一台机器：“这是偏心抽签机，咱们要评‘夜市小吃王’。”规则很特别：不直接公布谁票数最高，而是给每款小吃按热度分配不同厚度的签——烤串票多，签就厚，中签概率大；凉粉票少，签就薄，但也并非全无机会。机器侧面有个“偏心旋钮”，拧得越小，签的厚薄越接近，抽谁几乎全凭运气；拧得越大，热门小吃就越容易胜出。真正聪明的是它的承诺：哪怕小偷把投票记录换成了只差一个人的版本，也分辨不出结果差异。这台机器的内核，就是差分隐私指数机制。指数机制专门解决“输出一个离散选择但不泄露个体数据”的难题。接下来，我们从旋钮的刻度开始，一步步拆解评分、敏感度、公式、工程实现和真实应用。

岗位关联

指数机制是差分隐私家族中处理非数值输出的王牌。掌握它，你就能在推荐系统、隐私投票、医疗统计等场景中安全地发布离散结果。

目录
  1. 可视化演示
  2. 1. 隐私预算：偏心旋钮的刻度
  3. 2. 评分函数：给每款小吃打分
  4. 3. 机制公式：抽签机的概率内核
  5. 4. 性质分析：随机性的双刃剑
  6. 5. 工程实现：亲手造一台抽签机
  7. 6. 应用实战：从夜市走向行业
  8. AI 应用场景
  9. Python 演示
  10. 常见误区
  11. 面试题

可视化演示

动态演示差分隐私指数机制原理的核心机制，通过输入/处理/存储/输出四种模式展示关键概念与交互流程。

本节配有交互动效（进入视口后自动加载，约 3KB）。

差分隐私指数机制原理：指数机制 指数机制的核心思想 效用函数与敏感度 核心机制可视化 差分隐私指数机制原理整体架构与关键组件

1. 隐私预算：偏心旋钮的刻度

抽签机最显眼的零件，是侧面一个标着数字的旋钮。老板告诉你：“这个是偏心刻度，叫 ε。把它拧到 2，烤串几乎每次都赢；拧到 0.1，抽签跟抛硬币差不多。”你追问：怎么知道拧到多少才算安全？答案藏在“差分”两个字里——机器不是保证“谁都猜不出结果”，而是保证“换掉一个人的数据，结果几乎不变”。

差分隐私的正式说法是：如果两个数据集 D 和 D′ 只差一条记录，就称它们是相邻数据集。一台满足 ε-差分隐私的随机算法 \mathcal{M}，在 D 和 D′ 上运行后，对任意一组输出结果集合 S，两边概率的比值都不能超过 e^ε。用生活话讲：小偷把某个人的投票换成另一个人的，机器输出的整体面貌只会发生“微乎其微”的变化；ε 越小，变化越难察觉，隐私越安全。

下面就是 ε-差分隐私的数学定义。

把旋钮看成“保密盖的拧紧力度”。拧到 0.1 时，机器几乎无视热度差异；拧到 10 时，它变得很诚实，但小偷也更容易从结果推断出你投了哪家臭豆腐。选择 ε，永远是隐私与实用性之间的一次权衡。

Pr⁡[M(D)∈S]≤eϵ⋅Pr⁡[M(D′)∈S]\Pr[\mathcal{M}(D) \in S] \le e^{\epsilon} \cdot \Pr[\mathcal{M}(D') \in S]
这个不等式像一个“保密盖”，用 e^ε 这块天花板压住相邻数据集上输出差异的幅度。
  1. 随机算法 \mathcal{M}表示抽签机本身，它的输出带有随机性，不是确定性的。
    M(D)\mathcal{M}(D)
  2. 相邻数据集 D 和 D′只差一条记录的两个数据集，像两份只换了一名顾客的投票名单。
    D∼D′D \sim D'
  3. 输出集合 S一组可能的结果，比如“烤串获胜”或“凉粉获胜”这样的候选结果集合。
    S⊆RS \subseteq \mathcal{R}
  4. 比值上限 e^ε隐私预算放大镜；ε 越小，e^ε 越接近 1，两边概率几乎相同。
    eϵ≈1e^{\epsilon} \approx 1

2. 评分函数：给每款小吃打分

抽签机不能凭空偏心，它需要一张“热度牌”。老板请每位顾客给最爱的小吃投一票，于是每款小吃得到一个分数：烤串 8 分，炸鸡 7 分，凉粉 5 分，臭豆腐 3 分。这张牌上的数字，就是评分函数 q(D, r)：给它一份数据集 D 和一个候选结果 r，它回给你一个分数，代表这个结果在当前数据下的“受欢迎程度”。

指数机制的输入里，评分函数是灵魂。候选结果 r 来自候选空间 \mathcal{R}——也就是夜市菜单上所有可能被选中的小吃。分数可以是频次、点击率、相关度、准确率等任何你能算出的效用值。关键一点：评分函数只负责打分，输出结果本身可以是类别、字符串甚至结构化决策，不必是数值。

有了分数，还要回答一个问题：一个人的数据变化最多让分数变多少？这就是全局敏感度 Δq。

要调好机器，老板得先知道“一个人最多能改多少分”。如果规则是每人一票、每票一分，Δq=1；如果改成每人可以投五票，Δq=5，签的厚薄就必须更均匀，否则一个人的意志就能左右整个结果。

Δq=max⁡r∈R  max⁡D,D′ 相邻∣q(D,r)−q(D′,r)∣\Delta q = \max_{r \in \mathcal{R}} \; \max_{D, D' \text{ 相邻}} \left| q(D, r) - q(D', r) \right|
全局敏感度是“最坏情况下，一个人的数据能撬动评分的最大幅度”。
  1. 外层最大值遍历所有候选结果，只为找到那个受影响最大的“软肋”候选。
    max⁡r∈R\max_{r \in \mathcal{R}}
  2. 内层最大值遍历所有相邻数据集对，找出评分差最大的那对邻居。
    max⁡D,D′ 相邻\max_{D, D' \text{ 相邻}}
  3. 绝对差值用绝对值保证只关心变化的幅度，不关心变大还是变小。
    ∣q(D,r)−q(D′,r)∣\left| q(D, r) - q(D', r) \right|
  4. 敏感度含义一个顾客最多能让某款小吃的评分改变 Δq 分，这是噪声设计的“标尺”。
    Δq\Delta q

3. 机制公式：抽签机的概率内核

材料齐了：偏心旋钮 ε、热度牌 q(D, r)、单人影响上限 Δq。老板开始计算每根签的厚度。他的算法很特别：签厚不是按分数线性增长，而是以分数为指数的指数级增长。这就是“指数机制”名字的来历。打分越高，权重爆炸式增长，中签概率也更高；但低分者不会被清零，永远保留一丝抽中的机会——这种“保留意外”的设计正是隐私的来源。

指数机制的定义式如下：对每个候选结果 r，计算指数权重 \exp(εq/(2Δq))，再用所有候选的权重之和做归一化，得到合法的概率分布。

签厚与热度不是线性关系，而是指数放大。偏心旋钮拧到 1.0 时，评分差 2Δq 的两款小吃，中签概率能差 e 倍以上；再拧大一点，优势会更加惊人。指数这个数字，看起来保守，放出来却很有爆发力。

Pr⁡[M(D,q,ϵ)=r]=exp⁡(ϵ q(D,r)2 Δq)∑r′∈Rexp⁡(ϵ q(D,r′)2 Δq)\Pr[\mathcal{M}(D, q, \epsilon) = r] =\frac{\exp\left(\dfrac{\epsilon \, q(D, r)}{2\,\Delta q}\right)}{\displaystyle \sum_{r' \in \mathcal{R}} \exp\left(\dfrac{\epsilon \, q(D, r')}{2\,\Delta q}\right)}
分子是某款小吃的“签厚”，分母是所有小吃“签厚”的总和，两者一除就是中签概率。
  1. 分子指数项评分越高，e 的指数越大，签越厚；指数函数让差距被迅速放大。
    exp⁡(ϵ q(D,r)2 Δq)\exp\left(\frac{\epsilon \, q(D, r)}{2\,\Delta q}\right)
  2. 分母归一化项把菜单上所有候选的签厚相加，保证所有概率加起来等于 1。
    ∑r′∈Rexp⁡(ϵ q(D,r′)2 Δq)\sum_{r' \in \mathcal{R}} \exp\left(\frac{\epsilon \, q(D, r')}{2\,\Delta q}\right)
  3. 系数 2Δq把隐私预算切成两半使用，让后面隐私证明中两边各占 e^{ε/2}。
    ϵ2 Δq\frac{\epsilon}{2\,\Delta q}
  4. 输出概率整个分式给出“这款小吃被抽中”的概率，抽签时按此概率采样。
    Pr⁡[M(D,q,ϵ)=r]\Pr[\mathcal{M}(D, q, \epsilon) = r]

4. 性质分析：随机性的双刃剑

机器摆在夜市中央，老板却开始担心：如果每次选出的都是烤串，小偷会不会反推出“那天晚上谁在烤串摊前待了很久”？答案藏在随机性里——指数机制每次抽签都可能不同，偶尔还会爆冷选中凉粉。正因为输出是概率化的，攻击者很难从单次结果锁死任何一条个人记录。

指数机制的隐私保证可以写成比值形式：对任意候选输出 r，相邻数据集 D、D′ 输出同一个 r 的概率之比不超过 e^ε。这个性质不依赖 r 是数值，不依赖候选空间的大小，是一个纯粹的 ε-差分隐私保证。

随机性是把双刃剑：太随机，选出的结果没有代表性；太偏心，又会泄露顾客口味。指数机制用 e^ε 这把放大镜，在“结果有用”和“个体安全”之间维持了一种数学上的优雅平衡。

Pr⁡[M(D)=r]Pr⁡[M(D′)=r]≤eϵ\frac{\Pr[\mathcal{M}(D) = r]}{\Pr[\mathcal{M}(D') = r]} \le e^{\epsilon}
这个比值界是隐私的“质量认证”：无论候选结果是什么，相邻数据集的输出差异都被压在天花板之下。
  1. 分子的概率原数据集 D 输出 r 的概率，对应“原名单”上 r 的分量。
    Pr⁡[M(D)=r]\Pr[\mathcal{M}(D) = r]
  2. 分母的概率邻居数据集 D′ 输出 r 的概率，对应“换了一个人后”的分量。
    Pr⁡[M(D′)=r]\Pr[\mathcal{M}(D') = r]
  3. 隐私放大上限比值不超过 e^ε；ε 越小，两个概率越难区分。
    eϵe^{\epsilon}
  4. 机制的内在结构分子分母各自差一个 e^{ε/2} 因子，合成后不超过 e^ε，2Δq 在此处功不可没。
    eϵ/2×eϵ/2=eϵe^{\epsilon/2} \times e^{\epsilon/2} = e^{\epsilon}

5. 工程实现：亲手造一台抽签机

理论讲得再漂亮，老板还得真的把机器造出来。他摊开操作手册，写了四步：第一步列菜单，把候选小吃全部写清楚；第二步称热度，算每个候选的评分和单人最大影响；第三步做签，按偏心度算每根签的厚度；第四步闭眼抽，按签的厚度比例抽出一根。这四步对应指数机制的工程实现。

具体来说，先枚举候选空间 \mathcal{R}，再对每个 r 计算未归一化权重 w_r，然后求和并归一化得到概率 p_r，最后用轮盘赌采样：生成一个 0 到 1 之间的随机数 U，按累积概率确定落入哪根签。当候选数量特别大时，直接算 \exp 可能溢出——指数值一旦超过几百，浮点数就存不下了。解决办法是 log-sum-exp 技巧：所有指数项同时减去最大值，概率比例不变，数值却稳定得多。

真正造机器时，最容易被忽略的是“菜单太大”。当候选有上百万个，逐根做签、逐根比较开销惊人。工程师们于是改用下一节要讲的“报告机制”这枚速成骰子，它能在不影响隐私保证的前提下大幅提速。

w_r = \exp\left(\frac{\epsilon \, q(D, r)}{2\,\Delta q}\right), \qquadp_r = \frac{w_r}{\displaystyle \sum_{r' \in \mathcal{R}} w_{r'}}
权重公式是“签厚”，归一化公式把签厚换算成“中签概率”，两者合起来就是采样前的全部准备。
  1. 权重计算每个候选的原始签厚，由偏心度、评分和敏感度共同决定。
    wr=exp⁡(ϵ q(D,r)2 Δq)w_r = \exp\left(\frac{\epsilon \, q(D, r)}{2\,\Delta q}\right)
  2. 权重总和把菜单上所有候选的签厚加起来，作为归一化的分母。
    ∑r′∈Rwr′\sum_{r' \in \mathcal{R}} w_{r'}
  3. 概率归一化除法把任意大小的权重压缩成 0 到 1 之间的概率。
    pr=wr∑r′wr′p_r = \frac{w_r}{\sum_{r'} w_{r'}}
  4. 采样决策生成随机数后沿累积概率行走，落入哪个区间就输出哪个候选。
    U∼Uniform(0,1)U \sim \text{Uniform}(0, 1)

6. 应用实战：从夜市走向行业

夜市老板的抽签机很快被工业界抄走了。电商公司用它做“猜你喜欢”：不直接推点击最高的商品，那样会暴露你的浏览偏好，而是按点击热度评分的指数机制抽样，输出一个概率化的推荐榜单。医院用它发布“本季度最常见症状”，既服务公共卫生，又不泄露任何单个患者的信息。投票站用它统计“哪个候选提案支持率最高”，同时保护每张选票。

这些场景里，候选空间往往极大，逐一按指数权重采样太慢。于是工程师常用一个等价实现——报告机制（Report Noisy Max）：先给每个候选的评分加一个 Gumbel 噪声，然后选择加噪后的最大值。这个“加噪声再取最大”的过程，与指数机制满足同样的 ε-差分隐私，但只需要一次最大值扫描，速度飞快，是工业界的常客。

如果说抽签机是按签厚抽一签，报告机制就像把所有签放在一个骰子盘上，吹一阵随机大风后再取最高的那根。风的强度由 2Δq/ε 决定——隐私预算越小，风越大，结果越随机，保护越强。

r∗=arg⁡max⁡r∈R(q(D,r)+2 Δqϵ⋅ξr),ξr∼Gumbel⁡(0,1)r^* = \arg\max_{r \in \mathcal{R}} \left( q(D, r) + \frac{2\,\Delta q}{\epsilon} \cdot \xi_r \right), \quad \xi_r \sim \operatorname{Gumbel}(0, 1)
报告机制像是给评分刮一阵“随机大风”，风越大（ε 越小），高分优势越容易被噪声掩盖，结果越随机。
  1. argmax 操作遍历所有候选，取出加噪后分数最大的那一个作为输出。
    arg⁡max⁡r∈R\arg\max_{r \in \mathcal{R}}
  2. 原始评分候选 r 在数据集 D 上的真实质量，是公平竞争的基础。
    q(D,r)q(D, r)
  3. Gumbel 噪声一种偶发大值的随机变量，模拟“大风”对评分的扰动。
    ξr∼Gumbel⁡(0,1)\xi_r \sim \operatorname{Gumbel}(0, 1)
  4. 噪声尺度2Δq/ε 控制风的强度；隐私预算越小，风越大，结果越随机。
    2 Δqϵ\frac{2\,\Delta q}{\epsilon}

AI 应用场景

推荐系统的隐私保护召回

阶段：数据治理与模型部署阶段

解决的问题：传统推荐直接输出点击率最高的 Top-K 商品，相当于把用户的浏览偏好明文公布；用指数机制按点击热度评分做概率化采样，既保留推荐质量，又让单条用户行为无法被精准反推。

具体案例：某电商平台在“猜你喜欢”模块，对百万级候选商品计算点击率评分，取隐私预算 ε=1.0，用指数机制抽样生成 10 个推荐位，替代原来的固定 Top-10。

医疗统计中的离散结果发布

阶段：数据分析与结果发布阶段

解决的问题：医院想向卫生部门发布“本季度最常见流感症状 Top5”，但直接公布频次可能暴露少数患者的就诊记录；指数机制以症状出现频次为评分，输出症状类别本身，而不是精确数值。

具体案例：某疾控中心汇总发热门诊记录，用指数机制从咳嗽、发热、乏力等症状中抽样出 5 个代表症状，公开报表的同时保护每位患者隐私。

联邦学习中的超参选择

阶段：模型训练与调参阶段

解决的问题：AutoML 直接选验证集上准确率最高的超参组合，容易过拟合验证集并泄露验证样本信息；按验证集准确率评分，用指数机制从候选超参中采样，既保留较好性能，又让验证集个体数据难以被还原。

具体案例：某公司做跨机构联邦学习时，将三个候选超参组合在验证集上的准确率作为评分，用指数机制抽样选中一组参与下一轮训练。

Python 演示

python28 行
import numpy as np def exponential_mechanism(scores, eps, sensitivity, rng=None):    if rng is None:        rng = np.random.default_rng()    weights = np.exp(eps * np.asarray(scores, dtype=float) / (2.0 * sensitivity))    probs = weights / weights.sum()    idx = rng.choice(len(scores), p=probs)    return idx, probs def report_noisy_max(scores, eps, sensitivity, rng=None):    if rng is None:        rng = np.random.default_rng()    noise = rng.gumbel(scale=(2.0 * sensitivity) / eps, size=len(scores))    noisy = np.asarray(scores, dtype=float) + noise    return int(np.argmax(noisy)) if __name__ == "__main__":    candidates = ["烤串", "炸鸡", "凉粉", "糖水", "臭豆腐"]    scores = [9, 4, 7, 2, 5]      # 夜市人气评分    eps = 1.0    delta_q = 1                   # 每个人最多影响 1 分     idx, probs = exponential_mechanism(scores, eps, delta_q)    print("候选:", candidates)    print("概率:", np.round(probs, 3))    print("指数机制选中:", candidates[idx])    print("报告机制选中:", candidates[report_noisy_max(scores, eps, delta_q)])
目的：实现指数机制的完整流程（权重计算、归一化、轮盘赌采样），并附赠报告机制的 Gumbel 噪声版本，方便对比两种实现的输出差异。
  1. def exponential_mechanism(scores, eps, sensitivity, rng=None):抽签机的入口函数，接收评分、隐私预算和敏感度。
  2. weights = np.exp(eps * np.asarray(scores, dtype=float) / (2.0 * sensitivity))计算每款小吃的“签厚”，指数放大评分差异。
  3. probs = weights / weights.sum()把签厚归一化成概率，保证总和为 1。
  4. idx = rng.choice(len(scores), p=probs)按概率做轮盘赌采样，返回选中的候选下标。
  5. noise = rng.gumbel(scale=(2.0 * sensitivity) / eps, size=len(scores))为每个评分生成 Gumbel 噪声，风的大小由 2Δq/ε 控制。
  6. noisy = np.asarray(scores, dtype=float) + noise给原始评分加上噪声，相当于吹风。
  7. idx, probs = exponential_mechanism(scores, eps, delta_q)实际调用指数机制，得到选中项和每个候选的中签概率。

常见误区

误区敏感度不就是“平均每个人影响多少分”吗？统计时常说一人一票、每票一分，所以敏感度取均值就够了。

正解敏感度是最坏情形下相邻数据集评分的最大绝对差，不是平均。比如某个顾客一次能投 5 票，虽然大多数人只投 1 票，Δq 仍按 5 算。若按平均数低估敏感度，抽签机的签会做得过厚，噪声不足，隐私保证直接失效。

为何常见：日常统计习惯用平均值代替极端值，直觉上觉得“大多数人影响很小”就够了，忽视了隐私攻击恰恰爱走最坏路径。

误区指数机制是不是给数值加噪声再四舍五入？感觉两者差不多。

正解拉普拉斯机制直接对数值查询结果加连续噪声，输出仍是数值；指数机制则直接定义在整个候选空间上的概率采样，候选可以是类别、字符串、结构体。它不是“加噪声后取整”，而是按权重分布直接抽选一个离散结果。

为何常见：很多教程先讲拉普拉斯机制，读者容易把一切差分隐私机制都理解为“数值加噪声”，忽视了指数机制面向离散选择的本质。

误区ε 是隐私参数，数值越大说明机器越努力，保护越强。

正解ε 控制的是隐私损失上限，ε 越大，相邻数据集输出概率比的上界 e^ε 越大，攻击者越容易推断某条记录是否在数据集中。ε=0 时输出与数据完全无关，ε 越大输出越接近真实结果，隐私越弱。实际系统常在 0.1 到 10 之间取值权衡。

为何常见：“越大越好”的直觉在隐私场景中不成立，人们容易把参数大小与保护强度画等号。

误区公式里有 e 的指数，肯定只能处理连续数值吧？

正解公式里的指数只是计算权重的工具，评分函数可以是任何可计算的效用分数，输出可以是类别标签、答案选项、推荐商品甚至结构化决策。这种“输出空间不要求数值化”的能力，正是指数机制区别于拉普拉斯机制的核心优势。

为何常见：数学公式中大量出现数字和指数函数，容易让人误以为整个机制被限制在数值世界里。

误区做权重计算时分母就是个常数，省略掉也能近似估计概率。

正解归一化分母 \sum_{r'} \exp(εq(D,r')/(2Δq)) 本身依赖数据集 D，换到邻居数据集 D′ 时分母会变化。隐私证明正是靠“分母之比不超过 e^{ε/2}”这一环才成立。跳过分母，既破坏了概率归一化，也会让隐私保证的推导失去根基。

为何常见：在工程调试中，人们习惯只看分子大小来比较候选，觉得分母不改变排序，从而低估了它在隐私证明中的作用。

面试题

Q1. 指数机制最擅长处理哪种类型的输出？

单选题 · easy

  • A.连续数值型查询结果
  • B.离散类别型选择结果← 正确答案
  • C.高维向量嵌入结果
  • D.时间序列预测结果

答案：B。指数机制直接对候选空间做概率采样，非常适合离散类别型选择，如投票获胜者、推荐商品等。连续数值查询一般交给拉普拉斯机制；高维向量和时间序列都不是指数机制的主场。

Q2. 隐私预算 ε 在抽签机比喻中的作用是？

单选题 · easy

  • A.控制随机抽签的偏心程度← 正确答案
  • B.控制数据集的采样规模
  • C.控制评分函数的计算次数
  • D.控制输出结果的字节长度

答案：A。ε 像偏心旋钮，ε 越大，高分候选的中签概率优势越明显；ε 越小，签厚越均匀，输出越随机。它不控制采样规模、计算次数或字节长度。

Q3. 全局敏感度 Δq 的准确定义是？

单选题 · mid

  • A.相邻数据集上评分差的最大绝对值← 正确答案
  • B.数据集中所有评分的平均值
  • C.最优候选与其他候选的评分差
  • D.评分函数随迭代次数的变化量

答案：A。Δq 遍历所有候选和所有相邻数据集对，取评分的最大绝对差，描述“一个人最多能撬动多少分”。平均值、与最优候选的差、迭代变化量都不是敏感度的定义。

Q4. 关于指数机制，下列说法正确的有？

多选题 · mid

  • A.输出空间无需是数值型← 正确答案
  • B.高评分候选被选中的概率更高← 正确答案
  • C.它直接对数值加拉普拉斯噪声
  • D.归一化分母随数据集变化← 正确答案

答案：ABD。指数机制可以输出任意类型候选，按评分构造指数权重并采样，因此 B 正确；它并不加拉普拉斯噪声，C 错误；分母依赖数据集 D 的评分分布，会随相邻数据集变化，D 正确。

Q5. 指数机制公式中系数 2Δq 的“2”主要作用是什么？

单选题 · hard

  • A.确保隐私保证是 ε 而不是 2ε← 正确答案
  • B.提升评分函数的计算精度
  • C.让所有候选权重总和为 1
  • D.避免指数运算发生数值溢出

答案：A。指数机制的隐私证明中，分子指数项和归一化分母各自最多波动 e^{ε/2}，两者相乘恰好为 e^ε。如果去掉这个“2”，总隐私损失会达到 2ε，破坏 ε-差分隐私的承诺。

Q6. Report Noisy Max（报告机制）的核心做法是？

单选题 · mid

  • A.给每个评分加 Gumbel 噪声后取最大值← 正确答案
  • B.给每个评分加拉普拉斯噪声后取平均值
  • C.随机抽取一个评分然后直接输出
  • D.将所有评分取对数后输出最大值

答案：A。报告机制对每个候选评分加 Gumbel 噪声，再取加噪后得分最高的候选。它与指数机制隐私等价，但只需一次最大值扫描，工程上比完整采样更快。

Q7. 关于指数机制与拉普拉斯机制的比较，正确的是？

多选题 · hard

  • A.两者都满足 ε-差分隐私← 正确答案
  • B.拉普拉斯机制适合连续数值输出← 正确答案
  • C.指数机制适合离散选择输出← 正确答案
  • D.指数机制是拉普拉斯机制的取整版

答案：ABC。两种机制都是 ε-DP 家族成员；拉普拉斯机制服务于数值查询，指数机制服务于离散选择。指数机制不是“加噪声后取整”，而是直接在候选空间上做加权概率采样，因此 D 错误。

Q8. 候选数量巨大时，防止 exp 溢出常用的技巧是？

单选题 · easy

  • A.所有指数项同时减去最大指数项← 正确答案
  • B.把所有权重统一改成负数
  • C.直接省略最小的几个权重
  • D.用随机舍入替代指数计算

答案：A。所有指数项同时减去最大值，比值不变，数值范围却回到安全区，这就是 log-sum-exp 技巧。改成负数、省略小权重或随机舍入都会破坏概率的准确性。

Q9. 下列哪些场景适合使用指数机制？

多选题 · mid

  • A.隐私投票聚合输出获胜者← 正确答案
  • B.推荐系统中保护偏好的抽样← 正确答案
  • C.医疗统计中保护记录的离散输出← 正确答案
  • D.从原始数据中删除敏感字段

答案：ABC。投票获胜者、推荐商品、医疗症状都属于离散选择输出，适合指数机制。删除敏感字段属于数据脱敏的预处理操作，不是指数机制的功能。

Q10. 设 ε=1，甲候选的评分比乙候选高 2Δq，甲被抽中的概率约为乙的多少倍？

单选题 · hard

  • A.约等于 e 倍（e≈2.718）← 正确答案
  • B.约等于 e 的平方倍
  • C.大致是两倍的 e 倍
  • D.概率完全相等恒为一倍

答案：A。两个候选的权重比为 exp(ε(q甲-q乙)/(2Δq)) = exp(1×2Δq/(2Δq)) = e ≈ 2.718。当候选只有两个时，权重比就是概率比，因此甲被抽中的概率约为乙的 e 倍。